本周系统设计复习：
- API 解释（6 分钟）
- 2025 年你可以使用的 12 个 MCP 服务器
- 如何部署服务
- 系统设计主题地图
- Transformers 架构如何工作
- ByteByteGo 招聘
12 个 MCP 服务器
MCP（Model Context Protocol）是一个开放标准，简化 AI 模型（特别是 LLM）与外部数据源、工具和服务的交互方式。MCP 服务器充当这些 AI 模型和外部工具之间的桥梁。以下是顶级 MCP 服务器：
1. 文件系统 MCP 服务器（File System MCP Server）
允许 LLM 直接访问本地文件系统以读取、写入和创建目录。
2. GitHub MCP 服务器
连接 Claude 到 GitHub 仓库，允许文件更新、代码搜索。
3. Slack MCP 服务器
Slack API 的 MCP 服务器，使 Claude 能够与 Slack 工作空间交互。
4. Google Maps MCP 服务器
Google Maps API 的 MCP 服务器。
5. Docker MCP 服务器
与 Docker 集成以管理容器、镜像、卷和网络。
6. Brave MCP 服务器
使用 Brave 的搜索 API 进行网络和本地搜索。
7. PostgreSQL MCP 服务器
启用 LLM 检查数据库模式并执行只读查询的 MCP 服务器。
8. Google Drive MCP 服务器
与 Google Drive 集成的 MCP 服务器，允许读取和搜索文件。
9. Redis MCP 服务器
提供 Redis 数据库访问的 MCP 服务器。
10. Notion MCP 服务器
此项目为 Notion API 实现 MCP 服务器。
11. Stripe MCP 服务器
与 Stripe API 交互的 MCP 服务器。
12. Perplexity MCP 服务器
连接到 Perplexity 的 Sonar API 进行实时搜索的 MCP 服务器。
部署策略
部署或升级服务是有风险的。在这篇文章中，我们探索风险缓解策略。
1. 多服务部署（Multi-Service Deployment）
在此模型中，我们同时部署新更改到多个服务。此方法易于实现。但由于所有服务同时升级，很难管理和测试依赖关系。安全回滚也很困难。
2. 蓝绿部署（Blue-Green Deployment）
使用蓝绿部署，我们有两个相同的环境：一个是暂存（蓝色），另一个是生产（绿色）。暂存环境比生产环境领先一个版本。一旦在暂存环境中完成测试，用户流量切换到暂存环境，暂存变成生产。此部署策略回滚简单，但拥有两个相同的生产质量环境可能很昂贵。
3. 金丝雀部署（Canary Deployment）
金丝雀部署逐步升级服务，每次针对一部分用户。它比蓝绿部署便宜且易于回滚。然而，由于没有暂存环境，我们必须在生产上测试。此过程更复杂，因为我们需要在逐步迁移越来越多用户远离旧版本时监控金丝雀。
4. A/B 测试（A/B Test）
在 A/B 测试中，不同版本的服务同时在生产中运行。每个版本为一部分用户运行”实验”。A/B 测试是在生产中测试新功能的廉价方法。我们需要控制部署过程，以防某些功能意外推送给用户。
系统设计主题地图
有效的系统设计是一场权衡游戏，需要广泛的知识基础来做出最佳决策。此主题地图基于类别对基本系统设计主题进行分类。
1. 应用层
包括核心概念，如可用性、可扩展性、可靠性和其他 NFR。还涵盖设计和架构主题，如 OOP、DDD、微服务、清洁架构、模块化单体等。
2. 网络和通信
涵盖通信协议、服务集成、消息传递、实时通信和事件驱动架构。
3. 数据层
涵盖数据库系统基础（模式设计、索引、SQL vs NoSQL、事务等）、各种类型的数据库，以及分布式数据库的细微差别（复制、分片、领导者选举等）。
4. 可扩展性和可靠性
涵盖可扩展性策略（水平、无状态、缓存、分区等）和可靠性策略，如负载均衡、速率限制等。
5. 安全和可观察性
涵盖认证和授权技术（OAuth 2、JWT、PASETO、Sessions、Cookies、RBAC 等）和安全威胁。可观察性领域涉及监控、追踪和日志等主题。
6. 基础设施和部署
涉及 CI/CD 管道、容器化和编排、无服务器架构、IaC 和灾难恢复技术。
Transformers 架构如何工作
Transformers 架构已成为一些最流行 LLM 的基础，包括 GPT、Gemini、Claude、DeepSeek 和 Llama。
工作原理
典型的 transformer 模型有两个主要部分 编码器和解码器。编码器读取和理解输入。解码器使用此理解生成正确输出。
第一步（输入嵌入） 每个单词转换为数字（向量），表示其含义。
接下来，位置编码模式告诉模型每个单词在句子中的位置 这是因为单词顺序在句子中很重要。例如，“猫吃了鱼”不同于”鱼吃了猫”。
接下来是多头注意力 这是编码器的大脑。它允许模型一次查看所有单词并确定哪些单词相关。在添加和归一化阶段，模型将从注意力学到的内容添加回句子。
前馈过程增加理解的额外深度 整体过程重复多次，使模型能够深入理解句子。
编码器完成后 解码器开始行动。输出嵌入将预期输出中的每个单词转换为数字。为理解每个单词应该去哪里，我们添加位置编码。
掩码多头注意力隐藏未来单词 所以模型一次只预测一个单词。
多头注意力阶段对齐输入的正确部分与输出的正确部分 解码器查看输入句子和它迄今为止生成的单词。
前馈应用更多处理 使最终单词选择更好。过程重复几次以细化结果。
一旦解码器为每个单词预测数字 它通过线性层准备输出。此层将解码器的输出映射到大量可能的单词。
线性层为每个单词生成分数后 Softmax 层将这些分数转换为概率。具有最高概率的单词被选为下一个单词。
最后 生成人类可读的句子。
本文为学习目的的个人翻译，译文仅供参考。
原文链接：EP163: 12 MCP Servers You Can Use in 2025。
版权归原作者或原刊登方所有。本文为非官方译本；如有不妥，请联系删除。